雷达微弱目标智能化处理技术与应用

雷达微弱目标处理是实现优异探测性能的基础和前提,在复杂的实际环境应用过程中,由于强杂波干扰、目标信号微弱、图像特征不明显、有效特征难提取等问题,导致雷达微弱目标检测与识别一直是雷达处理领域中的难点之一。传统模型类处理方法与实际工作背景和目标特性匹配不精准,导致通用性不强。近年来,深度学习在雷达智能信息处理领域取得了显著进展,深度学习算法通过构建深层神经网络,可以自动地从大量雷达数据中学习特征表示,提高目标检测和识别的性能。该文分别从雷达目标微弱信号处理、图像处理、特征学习等多个方面系统梳理和总结近年来雷达微弱目标智能化处理的研究进展,具体包括噪声与杂波抑制、微弱目标信号增强;低、高分辨雷达图像和特征图处理;特征提取、融合、目标分类与识别等。针对目前微弱目标智能化处理应用存在的泛化能力有限、特征单一、可解释性不足等问题,从小样本目标检测(迁移学习、强化学习)、多维多特征融合检测、网络模型可解释性、知识与数据联合驱动等方面对未来发展进行了展望。

基于卷积神经网络的海上微动目标检测与分类方法

该文利用深度学习的高维特征泛化学习能力,将卷积神经网络(CNN)用于海上目标微多普勒的检测和分类。首先,在海面微动目标模型的基础上,在实测海杂波背景中分别构建4种类型微动信号的2维时频图,并作为训练和测试数据集;然后,分别采用LeNet, AlexNet和GoogLeNet 3种CNN模型进行二元检测和多种微动类型分类,并进行比较,研究信杂比对检测和分类性能的影响。最后,与传统的支持向量机方法进行比较,结果表明,所提方法能够智能学习微动特征,具有更好的检测和分类性能,可为杂波背景下的雷达动目标检测和识别提供新的技术途径。

雷达海上目标双通道卷积神经网络特征融合智能检测方法

受复杂海洋环境影响,基于统计理论的海面目标检测方法由于假设条件不成立,在实际应用中难以实现高性能检测,本文从特征提取分类角度,通过深度学习分类方法对目标和杂波的雷达回波信号进行二元分类,提出了一种基于双通道卷积神经网络(DCCNN)的雷达海上目标智能检测方法。首先,对实测海杂波和目标雷达信号进行预处理,得到信号的时间-多普勒谱和幅度信息;然后,构建DCCNN对预处理得到的数据进行智能特征提取,得到信号的特征向量,并对不同特征提取模型性能进行测试;最后,通过阈值可设的Softmax分类器作为检测器对特征向量进行分类,实现虚警率的控制。测试结果表明:与传统的单通道CNN以及无虚警控制Hog-SVM分类算法相比,基于二维卷积核VGG16和一维卷积核Le Net的DCCNN特征提取模型和softmax分类器可实现更高的检测性能,并可以实现虚警率控制,为复杂海杂波背景下目标智能检测提供了新的技术途径。

基于深度学习的海上目标一维序列信号目标检测方法

当前海面目标检测方法多基于统计理论,检测性能受背景统计特性假设的影响,本文从信号预测和特征分类两个角度,分别采用长短时记忆网络(LSTM)和卷积神经网络(CNN)对信号时间序列幅度信息进行处理,用于海上目标一维序列雷达信号检测,该方法不需事先假设背景统计特性,泛化能力更强。基于LSTM序列预测的目标检测方法通过用海杂波信号幅度时间序列对网络进行训练,再用训练后的网络对后续序列进行预测,并与后续实测信号进行比较,实现目标检测。基于CNN序列分类的目标检测方法中采用截取的海杂波信号和目标信号幅度序列作为数据集样本,对一维卷积核CNN进行训练,使其具有识别目标杂波信号特征能力,从而实现目标检测。最后,采用IPIX和CSIR实测海杂波数据对两种方法进行验证,结果表明两种方法均可实现一维序列信号中海面目标的检测,但LSTM预测方法对于长序列检测的实时性有待于进一步提高;CNN分类方法可实现实时检测,但仅利用信号幅度信息,检测性能仍需进一步提升。

基于MK60FN1MOVLQ15的风力摆控制系统设计

设计了基于MK60FN1MOVLQ15的风力摆控制系统。利用MPU-6050陀螺仪精确测量风力摆倾角与角速度,并与目标控制量实时比较得到误差量,利用数字PID算法形成控制量,建立了典型运动规律的数学模型。通过L298N控制四个风扇的转向和转速,以形成不同的风向与风速,基于74HC244芯片组成升压隔离电路以提高系统稳定性。测试结果表明,系统具有较高的精度、较好的适应性和稳定性。

基于时频图深度学习的雷达动目标检测与分类

雷达动目标检测技术一直是雷达信号处理领域中的关键技术,而传统的雷达动目标检测技术仅适用于匀速运动目标,检测性能有限。针对该问题提出一种基于卷积神经网络(CNN)时频图处理的雷达动目标检测方法,通过从雷达动目标回波中提取多普勒频移信息,然后利用短时傅里叶变换转换为时频图,输入卷积神经网络,进行深度特征学习,进而实现检测和分类的目的。仿真数据验证表明,所提方法能够有效检测和区分匀速、匀变速运动以及微动目标,稳健性高,与传统动目标检测方法相比具有显著优势。

基于MCM-可拓云的装备体系效能评估

提出了考虑特定作战背景、评估方法对等级界限模糊性、随机性等双重不确定性的电子对抗装备体系效能军事概念-可拓云综合评估模型。通过Matlab仿真验证,证明有关评估方法简单有效,可以评估电子对抗装备体系效能等级、弱项指标,分析评估结果的可信度,可为电子对抗装备体系效能综合评估提供借鉴。

基于改进BP神经网络的导引头电子部件性能预测

为提高BP神经网络的映射能力,通过反馈环节中权值阈值和输出误差来给调整公式中常数项动量因子和学习速率赋新值,提出改进BP神经网络算法。改进后的BP神经网络从理论上调整精度更高,训练速率更快,二者从原来的依靠经验赋值变成变量,训练适应性更强。通过仿真实验,相比传统BP神经网络,改进后的BP神经网络在训练速率上更快,预测精度明显提高。因此得出结论,改进后的BP神经网络算法在部分电子部件性能预测中具有更好的适用性。

基于改进GNN的导引头DSP性能预测方法

利用传统灰色预测模型和BP神经网络算法对某型机载导弹导引头DSP性能进行预测时往往存在预测精度不高和运算速率较慢的问题,为提高灰色GM(1,1)模型数据光滑度,减小样本偏差和提高样本适应性,采用幂函数法和新陈代谢法结合的方法对灰色GM(1,1)模型进行改进。同时,将BP神经网络动量因子调整成变量、对学习速率取值进行调整,来提高模型运算速率,保证以最大速率进行网络训练。改进后的灰色BP神经网络组合模型能够兼具二者优点。最后,通过对导引头DSP控制器内部电压实测数据的仿真分析。试验结果表明,改进灰色BP神经网络对该型机载导弹导引头DSP控制器性能预测具有更好的适用性,预测精度有较大提高。